AI og forskning i vedvarende energi

AI i forskning i vedvarende energi handler om at bruge maskinlæring, optimering og datamodeller til at finde materialer, forbedre prognoser, styre elnet og planlægge lagring. Teknologien kan accelerere forskning, men kræver verificerbare data, energibevidst beregning og menneskelig fagkontrol, før resultater omsættes til drift.

Hvordan bruges AI i forskning i vedvarende energi?

AI bruges især, når forskere skal finde mønstre i store datasæt, teste mange mulige løsninger eller styre komplekse systemer, hvor traditionelle beregninger alene bliver for langsomme. I vedvarende energi kan det handle om solceller, vindmøller, batterier, elektrolyse, elnet, energilagring, vejrprognoser og forbrugsmønstre.

Den praktiske forskel ligger ikke i, at AI erstatter fysik, kemi eller energiteknik. AI fungerer bedst som et beregningslag oven på målinger, simuleringer og faglige modeller. Hvis du vil forstå forskellen på de metoder, der ofte bruges i energiforskning, er skellet mellem machine learning og deep learning et nyttigt udgangspunkt.

I forskning betyder det, at AI kan sortere kandidater, foreslå forsøgsdesign, finde afvigelser i måledata og prioritere de mest lovende spor. Resultatet er ikke automatisk et færdigt energiprodukt, men en mere målrettet vej gennem et stort teknisk mulighedsrum.

Hvilke datatyper er centrale for forskningen?

Vedvarende energi er datatung, fordi både produktion, lagring og forbrug ændrer sig over tid. Solindstråling, vindhastighed, temperatur, skydata, materialemålinger, elpriser, netbelastning, fejlrapporter og satellitdata kan alle indgå i modeller, men de har forskellig kvalitet og forskellig tidsopløsning.

En stærk AI-model kræver derfor mere end mange datapunkter. Den kræver klare måledefinitioner, kendte fejlmarginer, sporbar oprindelse og en måde at skelne mellem normale variationer og reelle tekniske problemer. Hvis en vindmølles sensor skifter kalibrering, eller hvis solcelledata kun stammer fra ét klimaområde, kan modellen lære et mønster, der ikke holder i andre forhold.

• Måledata viser, hvordan et anlæg faktisk opfører sig under vejr, slid og belastning.
• Simuleringsdata gør det muligt at teste sjældne eller dyre scenarier uden først at bygge fuld skala.
• Driftsdata afslører forsinkelser, fejl, vedligehold og kapacitetsbegrænsninger, som rene laboratoriedata ofte ikke viser.
• Eksterne data om vejr, elmarked og geografi gør modellen bedre til at forstå sammenhængen omkring teknologien.

Den faglige udfordring er at samle disse data uden at gøre modellen blind for usikkerhed. I forskning er det ofte lige så vigtigt at vide, hvornår AI-modellen ikke kan svare sikkert, som at få et hurtigt forslag.

Hvordan hjælper AI med solceller og nye materialer?

Materialeforskning er et af de tydeligste steder, hvor AI kan ændre tempoet i arbejdet. Nye solceller, batterier og katalysatorer afhænger af materialer, der både skal være effektive, stabile, tilgængelige og mulige at fremstille. Det giver et enormt antal kemiske kombinationer, hvor manuel afprøvning hurtigt bliver for langsom.

Et centralt eksempel er grafbaserede AI-modeller til krystalstrukturer. Nature-artiklen om GNoME beskrev i 2023, hvordan dybe grafnetværk kunne udvide antallet af beregnede stabile materialestrukturer kraftigt. Det betyder ikke, at forskningen pludselig har fået hundredtusinder af færdige batterier eller solceller. Det betyder, at forskere får en mere systematisk liste over kandidater, som kan prioriteres til videre simulering, syntese og test.

For vedvarende energi er den vigtigste gevinst derfor ikke kun hurtighed. Den ligger i at kombinere flere krav på samme tid: virkningsgrad, holdbarhed, råstoffer, temperaturfølsomhed, sikkerhed og mulig produktion i stor skala. En AI-model kan rangere kandidater efter flere kriterier, men laboratoriet skal stadig vise, om materialet kan fremstilles og holde under realistiske forhold.

Hvordan forbedrer AI prognoser for vind og sol?

Vind- og solenergi varierer med vejret. Forskning i bedre prognoser handler derfor ikke kun om at forudsige vejret som sådan, men om at oversætte vejrdata til energiproduktion, netbelastning og behov for fleksibilitet. Her kan AI bruge historiske målinger, satellitdata, lokale sensorer og numeriske vejrmodeller til at forbedre kortsigtede og mellemlange forudsigelser.

Google DeepMinds GraphCast viste, hvordan en maskinlæringsmodel kan lave globale vejrprognoser hurtigt og med høj præcision i den offentliggjorte evaluering. For energiforskning er pointen bredere end én model: hurtigere og mere præcise prognoser kan gøre det lettere at planlægge produktion, reserver, lagring og vedligehold, når vind og sol ændrer sig time for time.

Den samme logik ligger tæt på kunstig intelligens i klimaforskning, hvor modeller bruges til at forbinde store geofysiske datasæt med praktiske beslutninger. Forskellen er tidsskalaen. Klimaforskning ser ofte på årtier, mens energiprognoser kan handle om minutter, timer og få dage.

Hvordan kan AI gøre elnet med mere vedvarende energi lettere at styre?

Et elnet med mere vind og sol får flere bevægelige dele. Produktion bliver mere vejrafhængig, forbrug kan flytte sig med elpriser og elektrificering, og batterier, varmepumper, elbiler og Power-to-X kan både belaste og aflaste nettet. AI kan hjælpe med at forudsige flaskehalse, prioritere netkapacitet, opdage afvigelser og foreslå mere effektiv drift.

IEA beskriver, at AI kan støtte større integration af vedvarende elektricitet i elnettet og i et udbredt adoptionsscenarie frigøre op til 175 GW ekstra transmissionskapacitet i eksisterende linjer. Det tal skal læses som et scenarie under bestemte forudsætninger, ikke som en automatisk gevinst. Dataadgang, regulering, sensorer, digitale systemer og kompetencer afgør, hvor meget af potentialet der kan omsættes.

I praksis minder forskningsspørgsmålet om optimering af vedvarende energi med AI, men med en ekstra systemdimension. Det handler ikke kun om at få ét anlæg til at yde bedre, men om at få mange anlæg, fleksible forbrugere og netkomponenter til at spille sammen uden at svække forsyningssikkerheden.

Hvor ligger grænsen mellem forskning og drift?

Forskning kan afprøve en AI-model i et kontrolleret miljø, hvor fejl giver læring. Drift i et energisystem kræver en anden disciplin, fordi fejl kan påvirke økonomi, sikkerhed, forsyning eller udstyr. Derfor skal et lovende forskningsresultat gennem test, dokumentation og gradvis indfasning, før det bliver en del af en praktisk arbejdsproces.

Grænsen bliver tydelig, når en model går fra analyse til beslutningsstøtte. En model, der viser et sandsynligt mønster i turbinefejl, kan være nyttig i forskning. Hvis den derimod automatisk flytter produktion, ændrer netbelastning eller prioriterer vedligehold, skal dens fejltyper, ansvarskæde og stopmekanismer være beskrevet.

Hvilke begrænsninger skal med i vurderingen?

AI-modeller kan være stærke til mønstergenkendelse, men de forstår ikke energisystemer på samme måde som en fysiker, ingeniør eller operatør. En model kan ramme historiske data godt og stadig fejle, når teknologien, vejret, markedet eller sensorerne ændrer sig. Det kaldes ofte modeldrift eller distribution shift.

En anden begrænsning er, at energiforskning ofte mangler perfekte data. Fejl kan være sjældne, nye materialer har få målinger, og ekstreme vejrhændelser optræder ikke ofte nok til, at en model uden videre lærer alle relevante tilfælde. Derfor skal forskere kombinere AI med fysiske modeller, domæneviden og eksperimenter, ikke bruge AI som erstatning for dem.

• En god prognosemodel kan stadig mangle forklaring på, hvorfor den rammer rigtigt.
• En materialemodel kan foreslå en stabil kandidat, som viser sig svær at fremstille.
• En optimeringsmodel kan forbedre ét mål, men forringe levetid, sikkerhed eller robusthed.
• En model trænet på ét geografisk område kan være mindre præcis i et andet klima eller netdesign.

Den mest nyttige forskning viser derfor både resultater og begrænsninger. Usikkerhed, fejltyper og krav til data bør være en del af konklusionen, ikke en fodnote efter modellen er præsenteret.

Hvilke risici opstår, når energisystemer bruger AI?

Når AI flytter sig fra laboratoriet til energisystemer, bliver risici bredere end modelpræcision. Der kan opstå problemer med cybersikkerhed, datalækage, adgangsstyring, manipulation af sensordata, utilstrækkelig logging og uklart ansvar, hvis en anbefaling fører til en forkert handling. Risikoen vokser, jo tættere modellen kommer på kritisk drift.

Et område med lavere risiko er analyse, hvor modellen finder mønstre i historiske data. Et område med højere risiko er automatisk styring, hvor en model kan påvirke belastning, produktion eller vedligeholdelsesprioriteter. Mellem de to ligger beslutningsstøtte, hvor AI kan være værdifuld, hvis mennesker kan se datagrundlag, usikkerhed og alternativer.

For vedligehold minder mange anvendelser om forudsigelig vedligeholdelse, hvor AI forsøger at opdage slid og fejl, før udstyr stopper. Den type model skal måles på både falske alarmer og oversete fejl. For mange falske alarmer kan gøre driften dyrere, mens for få alarmer kan skabe større teknisk risiko.

Hvad betyder udviklingen for forskning og organisationer i Danmark?

For universiteter, energiselskaber, kommuner, forsyninger og teknologivirksomheder i Danmark er AI relevant, fordi energisystemet allerede er præget af vind, sol, fjernvarme, fleksibelt forbrug og voksende elektrificering. AI kan støtte forskning i bedre prognoser, bedre drift og mere målrettet investering, men gevinsten afhænger af lokale data og klare grænser for brugen.

Der er også en praktisk dansk vinkel i samspillet mellem klimaambitioner, forsyningssikkerhed og digitalisering. Når flere processer bliver datadrevne, skal organisationer kunne forklare, hvilke data der bruges, hvem der kan se dem, og hvordan AI-resultater kontrolleres. Den bredere diskussion om AI i bæredygtig energiforvaltning handler netop om den kobling mellem teknisk optimering og ansvarlig styring.

Det betyder ikke, at alle energiprojekter bør starte med en stor AI-platform. Ofte er den bedste begyndelse et afgrænset forsknings- eller pilotprojekt, hvor en model sammenlignes med en kendt metode, og hvor resultaterne vurderes på kvalitet, robusthed og energiforbrug for selve beregningen.

Hvordan kan et projekt vurdere, om AI faktisk skaber værdi?

Et AI-projekt i vedvarende energiforskning bør vurderes på, om det giver bedre beslutninger, bedre eksperimenter eller bedre drift end en enklere metode. Det er ikke nok, at modellen er avanceret. Hvis en lineær model, en fysisk simulering eller en manuel regel giver samme resultat med mindre datakrav, kan den være det bedre valg.

En praktisk vurdering kan bygges op som en kort beslutningsrækkefølge. Først defineres problemet: prognose, materialevalg, vedligehold, netkapacitet eller forsøgsdesign. Derefter vælges baseline, datakilder og kvalitetsmål. Til sidst testes modellen mod nye data og vurderes på fejltyper, forklarbarhed, beregningsomkostning og robusthed.

1. Beskriv den konkrete beslutning, modellen skal forbedre.
2. Vælg en simpel baseline, som AI-modellen skal slå.
3. Kontroller datakvalitet, datadækning og målefejl, før modellen trænes.
4. Mål både præcision, usikkerhed, beregningsforbrug og praktisk nytte.
5. Test modellen på nye forhold, ikke kun på historiske data fra samme miljø.
6. Fastlæg, hvornår et menneske skal godkende, afvise eller overstyre modellens forslag.

Den beslutningsrækkefølge gør AI til et forskningsværktøj i stedet for et mål i sig selv. I vedvarende energi er den stærkeste anvendelse ofte den, der binder model, måling og domæneviden sammen, så forskere kan finde bedre løsninger uden at miste kontrollen over data og fysiske begrænsninger.

Hvilke kilder ligger til grund?

Artiklen bygger især på IEA’s aktuelle rapport Key Questions on Energy and AI og IEA’s analyse af AI for energy optimisation and innovation. Eksemplerne om vejrprognoser og materialeforskning er kontrolleret mod Google DeepMinds omtale af GraphCast og Nature-artiklen Scaling deep learning for materials discovery. Risikoperspektivet bygger på NIST AI Risk Management Framework.